Tutorial 7: RAG Prompt 工程
Prompt 在 RAG 中的作用
Prompt 是 RAG 系统中连接检索和生成的桥梁，好的 Prompt 能显著提升回答质量。
RAG Prompt 结构
┌─────────────────────────────────────────────────────────────┐
│ 系统指令 (System) │
│ · 定义角色和行为 │
│ · 设置回答规则 │
├─────────────────────────────────────────────────────────────┤
│ 上下文 (Context) │
│ · 检索到的相关文档 │
│ · 结构化呈现 │
├─────────────────────────────────────────────────────────────┤
│ 用户问题 (Question) │
│ · 原始问题 │
│ · 可能的改写 │
├─────────────────────────────────────────────────────────────┤
│ 输出格式 (Format) │
│ · 期望的回答格式 │
│ · 特殊要求 │
└─────────────────────────────────────────────────────────────┘
基础 RAG Prompt
from langchain.prompts import PromptTemplate
# 基础 RAG Prompt
basic_rag_prompt = PromptTemplate(
input_variables=["context", "question"],
template="""基于以下参考资料回答问题。
参考资料：
{context}
问题：{question}
回答："""
)
# 使用
context = """
1. Python是一种高级编程语言，以简洁易读著称。
2. Python支持多种编程范式，包括面向对象和函数式编程。
"""
question = "Python有什么特点？"
prompt = basic_rag_prompt.format(context=context, question=question)
print(prompt)
增强型 RAG Prompt
1. 带角色定义的 Prompt
role_based_prompt = PromptTemplate(
input_variables=["context", "question"],
template="""你是一个专业的技术顾问，负责回答用户的技术问题。
回答要求：
- 基于提供的参考资料回答
- 使用清晰、专业的语言
- 如果资料中没有相关信息，明确说明
参考资料：
{context}
用户问题：{question}
请提供专业、准确的回答："""
)
2. 带引用的 Prompt
citation_prompt = PromptTemplate(
input_variables=["context", "question"],
template="""基于以下编号的参考资料回答问题，并在回答中标注引用来源。
参考资料：
{context}
问题：{question}
请回答问题，并使用 [1], [2] 等格式标注引用的资料编号："""
)
# 格式化上下文
def format_context_with_numbers(documents):
formatted = []
for i, doc in enumerate(documents, 1):
formatted.append(f"[{i}] {doc}")
return "\n".join(formatted)
# 使用
docs = [
"Python是解释型语言，代码可以直接运行。",
"Python有丰富的标准库和第三方库。",
"Python广泛应用于数据科学和AI领域。"
]
context = format_context_with_numbers(docs)
prompt = citation_prompt.format(context=context, question="Python的优势是什么？")
3. 分步骤回答的 Prompt
step_by_step_prompt = PromptTemplate(
input_variables=["context", "question"],
template="""请按照以下步骤回答问题：
参考资料：
{context}
问题：{question}
请按以下格式回答：
1. 理解问题：简述你对问题的理解
2. 相关信息：列出参考资料中的相关要点
3. 综合回答：基于相关信息给出完整回答
4. 补充说明：如有必要，添加注意事项或局限性
回答："""
)
处理特殊情况
1. 信息不足时的处理
insufficient_info_prompt = PromptTemplate(
input_variables=["context", "question"],
template="""基于以下参考资料回答问题。
参考资料：
{context}
问题：{question}
回答要求：
- 只基于参考资料中的信息回答
- 如果资料中没有足够信息，请明确说明"根据提供的资料，无法回答这个问题"
- 不要编造或猜测答案
- 如果只能部分回答，说明哪些部分可以回答，哪些不能
回答："""
)
2. 多文档综合
multi_doc_prompt = PromptTemplate(
input_variables=["context", "question"],
template="""你需要综合多个来源的信息来回答问题。
参考资料（来自不同来源）：
{context}
问题：{question}
回答要求：
- 综合各个来源的信息
- 如果不同来源有矛盾，指出差异
- 优先使用多个来源都支持的信息
- 标注信息来源
综合回答："""
)
3. 对话历史
conversational_prompt = PromptTemplate(
input_variables=["context", "chat_history", "question"],
template="""基于参考资料和对话历史回答问题。
参考资料：
{context}
对话历史：
{chat_history}
当前问题：{question}
请结合上下文和对话历史，给出连贯的回答："""
)
# 格式化对话历史
def format_chat_history(messages):
formatted = []
for msg in messages:
role = "用户" if msg["role"] == "user" else "助手"
formatted.append(f"{role}: {msg['content']}")
return "\n".join(formatted)
实战：构建 Prompt 管理器
from langchain.prompts import PromptTemplate
from typing import List, Dict, Optional
from enum import Enum
class PromptType(Enum):
BASIC = "basic"
CITATION = "citation"
STEP_BY_STEP = "step_by_step"
CONVERSATIONAL = "conversational"
class RAGPromptManager:
"""RAG Prompt 管理器"""
def __init__(self):
self.prompts = self._init_prompts()
def _init_prompts(self) -> Dict[PromptType, PromptTemplate]:
return {
PromptType.BASIC: PromptTemplate(
input_variables=["context", "question"],
template="""参考以下资料回答问题。
资料：
{context}
问题：{question}
回答："""
),
PromptType.CITATION: PromptTemplate(
input_variables=["context", "question"],
template="""基于编号资料回答，标注引用。
资料：
{context}
问题：{question}
回答（使用[1][2]标注来源）："""
),
PromptType.STEP_BY_STEP: PromptTemplate(
input_variables=["context", "question"],
template="""分步骤回答问题。
资料：
{context}
问题：{question}
步骤：
1. 问题理解：
2. 关键信息：
3. 回答："""
),
PromptType.CONVERSATIONAL: PromptTemplate(
input_variables=["context", "chat_history", "question"],
template="""结合历史对话回答。
资料：
{context}
历史：
{chat_history}
问题：{question}
回答："""
)
}
def format_context(
self,
documents: List[str],
with_numbers: bool = False,
max_length: int = 2000
) -> str:
"""格式化上下文"""
if with_numbers:
formatted = [f"[{i+1}] {doc}" for i, doc in enumerate(documents)]
else:
formatted = documents
context = "\n\n".join(formatted)
# 截断过长的上下文
if len(context) > max_length:
context = context[:max_length] + "...[内容过长已截断]"
return context
def get_prompt(
self,
prompt_type: PromptType,
documents: List[str],
question: str,
chat_history: Optional[List[Dict]] = None
) -> str:
"""获取格式化的 Prompt"""
with_numbers = prompt_type == PromptType.CITATION
context = self.format_context(documents, with_numbers)
template = self.prompts[prompt_type]
if prompt_type == PromptType.CONVERSATIONAL:
history_str = self._format_history(chat_history or [])
return template.format(
context=context,
chat_history=history_str,
question=question
)
return template.format(context=context, question=question)
def _format_history(self, messages: List[Dict]) -> str:
if not messages:
return "无历史对话"
formatted = []
for msg in messages[-5:]: # 只保留最近5轮
role = "用户" if msg.get("role") == "user" else "助手"
formatted.append(f"{role}: {msg.get('content', '')}")
return "\n".join(formatted)
# 使用示例
manager = RAGPromptManager()
documents = [
"Python是一种解释型高级编程语言。",
"Python支持多种编程范式。",
"Python在数据科学领域应用广泛。"
]
# 基础 Prompt
basic_prompt = manager.get_prompt(
PromptType.BASIC,
documents,
"Python是什么？"
)
print("基础 Prompt:")
print(basic_prompt)
# 带引用的 Prompt
citation_prompt = manager.get_prompt(
PromptType.CITATION,
documents,
"Python有什么特点？"
)
print("\n带引用 Prompt:")
print(citation_prompt)
# 对话式 Prompt
chat_history = [
{"role": "user", "content": "什么是编程语言？"},
{"role": "assistant", "content": "编程语言是人与计算机交流的工具。"}
]
conv_prompt = manager.get_prompt(
PromptType.CONVERSATIONAL,
documents,
"Python属于哪种类型？",
chat_history
)
print("\n对话式 Prompt:")
print(conv_prompt)
Prompt 优化技巧
明确指令
# ❌ 模糊
template = "回答问题：{question}"
# ✅ 明确
template = """你是专业的技术顾问。
基于以下资料回答问题，要求：
- 使用简洁专业的语言
- 如果不确定，说明原因
资料：{context}
问题：{question}
回答："""
结构化输出
structured_prompt = """基于资料回答问题。
资料：{context}
问题：{question}
请按以下JSON格式回答：
{{
"answer": "回答内容",
"confidence": "high/medium/low",
"sources": ["引用的资料编号"]
}}"""
Few-shot 示例
few_shot_prompt = """基于资料回答问题，参考以下示例：
示例1：
资料：[1] Python是解释型语言
问题：Python是什么类型的语言？
回答：根据资料[1]，Python是解释型语言。
示例2：
资料：[1] Java是编译型语言
问题：Python的特点是什么？
回答：提供的资料中没有关于Python的信息，无法回答。
现在回答：
资料：{context}
问题：{question}
回答："""
关键概念总结
概念 |
解释 |
|---|---|
System Prompt |
定义AI角色和行为的指令 |
Context |
检索到的相关文档 |
Few-shot |
提供示例来引导回答 |
Chain of Thought |
引导分步骤思考 |
Output Format |
指定输出格式 |
下一步
在下一个教程中，我们将学习如何评估 RAG 系统。